PIPEMAT-RS: Sviluppo e convalida di una pipeline MATLAB standardizzata per la pre-elaborazione EEG in stato di riposo

Abbiamo sviluppato una pipeline di pre-elaborazione EEG standardizzata per migliorare la qualità del segnale, ridurre il rumore e supportare una ricerca neurofisiologica coerente su diversi set di dati clinici e sperimentali. Pipeline recenti come RELAX e Automagic offrono la pulizia EEG automatizzata, ma spesso mancano di flessibilità o di documentazione chiara per ricercatori e studenti che necessitano di trasparenza e coerenza dei risultati. Utilizziamo EEG, Matlab, laboratorio EEG e reiezione degli artefatti basata su ICA combinati con classificatori automatizzati, come ICLabel, per migliorare la qualità dei dati e semplificare i flussi di lavoro di pre-elaborazione. È stato riscontrato che PIPEMAT-RS migliora la qualità del segnale EEG, aumenta l'SNR e supporta robusti biomarcatori negli studi su ictus, fibromialgia e dolore cronico. Questo protocollo risolve la mancanza di una pipeline prevedibile, ben documentata e standardizzata per l'EEG in stato di riposo che sia coerente e accessibile per i ricercatori di tutto il mondo.

[Presentatore] Per iniziare, apri MATLAB e vai alla directory contenente i file di dati grezzi dell'elettroencefalogramma. Definire il percorso della directory dei file di dati grezzi e creare un elenco contenente gli argomenti. Carica il file di dati grezzi utilizzando la funzione di caricamento per i file .mat e salva ogni file in formato .mat, garantendo l'integrità dei dati e conservando tutti i metadati rilevanti. Aprire MATLAB e accedere alla directory contenente i file MATLAB. Utilizzare la funzione pop load set dalla cassetta degli attrezzi del laboratorio EEG per caricare il set di dati EEG di ciascun soggetto. Assicurarsi che il file di posizione dell'elettrodo appropriato corrispondente alla configurazione del cappuccio EEG sia disponibile nella directory di lavoro. Utilizzare la funzione pop_chanedit per applicare le posizioni degli elettrodi. Ispeziona visivamente il layout dei canali utilizzando l'interfaccia grafica dei laboratori EEG per confermare le posizioni corrette di tutti gli elettrodi. Salvare il set di dati EEG aggiornato utilizzando la funzione pop_saveset. Se necessario, ridurre la frequenza di campionamento dei dati EEG a 250 hertz utilizzando la funzione di ricampionamento pop. Applica un filtro passa-banda da un hertz a 50 hertz ai canali da uno a 128 utilizzando la funzione pop basicfilter con un design Butterworth e un ordine di filtro di due. Utilizzare il filtraggio in avanti e all'indietro a fase zero per evitare la distorsione di fase. Applica un filtro notch a 50 o 60 hertz ai canali da uno a 64 utilizzando il filtro di base pop con il design della tacca PM e un ordine dei filtri di 180. Per la reiezione degli artefatti, utilizzare la funzione di pulizia dei dati grezzi con i parametri specificati per rilevare e rimuovere automaticamente i canali flatline, i segmenti rumorosi e le derive a bassa frequenza. Ispeziona visivamente i dati EEG utilizzando il grafico EEG del laboratorio EG per identificare eventuali artefatti residui persi dal metodo automatizzato. Contrassegna e rimuovi manualmente gli artefatti rimanenti per garantire un'elevata qualità dei dati. Utilizzare pop_reref per rifare riferimento dei segnali EEG alla media di tutti gli elettrodi, assicurandosi che l'elettrodo di riferimento originale venga mantenuto. Caricare il file con il suffisso loc_filt_cleanraw_reref.set utilizzando pop loadset. Esegui l'analisi delle componenti indipendenti o ICA utilizzando la funzione pop runica con l'algoritmo runica per scomporre i dati EEG in componenti indipendenti. Salvare il nuovo set di dati con il suffisso loc_filt_cleanraw_reref_ICA utilizzando pop_saveset per indicare il completamento ICA. Importare il set di dati ICA utilizzando pop loadset. Eseguire la funzione di etichetta ICA pop con il modello predefinito per classificare i componenti indipendenti in categorie di cervello e artefatti. Identificare tutti i componenti con probabilità di attività cerebrale superiore a 0,7. Utilizzare la funzione di sottocomposizione pop per rimuovere tutti i componenti con probabilità cerebrale dell'etichetta IC inferiore a 0,7. Conserva solo i componenti con una probabilità di attività cerebrale superiore a 0,7 per preservare i segnali autentici garantendo al contempo l'efficace rimozione degli artefatti. Salvare il set di dati pulito con il suffisso, loc_filt_cleanraw_reref_ac_cleaned utilizzando pop_saveset. Infine, importa il set di dati con componenti ICA privi di artefatti utilizzando la funzione pop loadset e salva il set di dati completamente pre-elaborato e normalizzato con il suffisso, loc_filt_cleanraw_reref_ICA_Normalized utilizzando pop_saveset. In questa figura è illustrato lo stato iniziale del set di dati EEG prima di qualsiasi pre-elaborazione, comprese le tracce del segnale grezzo e le loro corrispondenti caratteristiche spettrali. I dati EEG grezzi hanno mostrato alti livelli di rumore e tracce di segnale irregolari su più canali, compromettendo la chiarezza e l'interpretabilità. La pulizia manuale dei dati EEG ha ridotto gli artefatti del segnale e migliorato l'uniformità della forma d'onda, ma sono rimasti visibili alcuni rumori residui e incongruenze. I dati elaborati con PIPEMAT-RS hanno mostrato le forme d'onda EEG più pulite con una struttura del segnale coerente e artefatti visibili minimi tra i canali.